We present an implementation of vec

We present an implementation of vector quantization for use in the coding of image data. The implementation
is based on the Frequency Sensitive Competitive Learning (FSCL) variant of the competitive learning neural network algorithm. Previous work has shown that this neural network provides a large computational advantage over existing methods such as the Linde, Buzo, and Gray (LBG) algorithm for small codebook sizes. However, for large codebooks which are necessary for good performance, the neural network implementation requires an excessive amount of training. We work to correct this deficiency by applying the classification vector quantization technique to the neural network
implementation of the vector quantizer. In this manner we can separate the problem into the generation of codebooks for each of the two categories into which the data is divided. By appropriately choosing the categories we can vastly simplify the training process and thus substantially reduce the computational costs while improving the subjective performance.

ผลลัพธ์ (ไทย) 2:

เรานำเสนอการดำเนินงานของเวกเตอร์สำหรับการใช้งานในการเข้ารหัสของข้อมูลภาพ การดำเนินการจะขึ้นอยู่กับความถี่ที่มีความสำคัญการเรียนรู้การแข่งขัน (FSCL) แตกต่างจากการเรียนรู้ขั้นตอนวิธีการแข่งขันโครงข่ายประสาทเทียม
การทำงานก่อนหน้านี้ได้แสดงให้เห็นว่าเครือข่ายประสาทนี้ให้เป็นประโยชน์ในการคำนวณที่มีขนาดใหญ่กว่าวิธีการที่มีอยู่เช่น Linde ที่ Buzo และสีเทา (LBG) อัลกอริทึมสำหรับขนาดเล็ก codebook แต่สำหรับ codebooks ขนาดใหญ่ซึ่งมีความจำเป็นสำหรับการทำงานที่ดีในการดำเนินงานเครือข่ายประสาทต้องมีปริมาณที่มากเกินไปของการฝึกอบรม เราทำงานเพื่อแก้ไขข้อบกพร่องนี้โดยการใช้เทคนิคการจัดหมวดหมู่เวกเตอร์ควอนไปยังเครือข่ายประสาทการดำเนินงานของ quantizer เวกเตอร์
ในลักษณะนี้เราสามารถแยกปัญหาออกเป็นรุ่น codebooks สำหรับแต่ละสองประเภทเป็นที่ข้อมูลจะถูกแบ่งออก โดยการเลือกประเภทที่เหมาะสมที่เราสามารถลดความซับซ้อนอย่างมากมายกระบวนการฝึกอบรมอย่างมีนัยสำคัญและทำให้ลดค่าใช้จ่ายในการคำนวณในขณะที่การปรับปรุงประสิทธิภาพอัตนัย

ผลลัพธ์ (ไทย) 3:

เรานำเสนอการแบ่งนับเวกเตอร์สำหรับใช้ในการเข้ารหัสของข้อมูลภาพ การใช้ความถี่ไว
แข่งขันการเรียนรู้ ( fscl ) แตกต่างจากการเรียนรู้การแข่งขันเครือข่ายประสาทขั้นตอนวิธี ผลงานที่ผ่านมาได้แสดงให้เห็นว่าเครือข่ายประสาทนี้มีข้อได้เปรียบกว่าวิธีการคำนวณขนาดใหญ่ที่มีอยู่ เช่น ลินเด้ ออนไลน์ ,และสีเทา ( lbg ) ขั้นตอนวิธีสำหรับชุดขนาดเล็ก อย่างไรก็ตาม สำหรับหนังสือรหัสขนาดใหญ่ซึ่งเป็นสิ่งจำเป็นสำหรับประสิทธิภาพที่ดี การใช้โครงข่ายประสาทเทียมต้องใช้ปริมาณที่มากเกินไปของการฝึกอบรม เราทำงานเพื่อแก้ไขข้อบกพร่องนี้ โดยใช้เทคนิคการจำแนกเวกเตอร์ quantization ในโครงข่ายประสาทเทียม
การนำเวกเตอร์ quantizer .ในลักษณะนี้ เราสามารถแยกปัญหาออกเป็นรุ่นของหนังสือรหัสสำหรับแต่ละของทั้งสองประเภทที่ข้อมูลจะถูกแบ่ง โดยการเลือกประเภทที่เหมาะสมเราสามารถลดความซับซ้อนของกระบวนการฝึกอบรมเป็นอย่างมาก จึงช่วยลดค่าใช้จ่ายในขณะที่การปรับปรุงประสิทธิภาพเชิงอัตวิสัย